Sistema de Visión para determinar el grado de madurez del jitomate

Transcripción

1 Sistema de Visión para determinar el grado de madurez del jitomate Jairo Pérez Pérez 1, Griselda Saldaña-González 2, Jaime Estévez Carreón 1, German Ardul Muñoz Hernández 1, Carlos Gracios Marín 1, Vicente Ramírez Palacios 1 1 Departamento de Eléctrica y Electrónica, Instituto Tecnológico de Puebla Av. Tecnológico 420, Maravillas, C. P Puebla, México jpz82@hotmail.com 2 División de Mecatrónica, Universidad Tecnológica de Puebla Antiguo Camino a la Resurrección 1002-A, Zona Industrial Oriente, C. P , Puebla, México griselda.saldana@utpuebla.edu.mx RESUMEN Actualmente los sistemas de visión artificial son cada vez más empleados en la automatización de procesos en diversas áreas. En este trabajo se presenta un sistema de visión, que utiliza una cámara web y LabView como software de control. El objetivo de este trabajo consiste en poder identificar el grado de madurez de los jitomates en base a su color, para determinar si están maduros, tiernos o en proceso de maduración. El reconocimiento de patrones se realizó de forma automática en tiempo real utilizando el toolbox de visión de LabView obteniéndose resultados óptimos en las pruebas realizadas en un invernadero. PALABRAS CLAVE: Sistema de Visión, LabView, IMAQ, Reconocimiento de Patrones. 1 INTRODUCCIÓN El reconocimiento automático de patrones es un área de investigación interdisciplinaria tanto en la investigación básica de métodos fundamentales [1], [2], [3], como en sus aplicaciones [4]. El objetivo principal de un sistema de reconocimiento automático de patrones es descubrir la naturaleza subyacente de un fenómeno u objeto, describiendo y seleccionado las características fundamentales que permitan clasificarlo en una categoría determinada. El tipo de objetos o fenómenos considerados en esta línea de trabajo pueden ser descritos por un conjunto de características numéricas que definen patrones en un espacio n-dimensional. Los sistemas automáticos de reconocimiento de patrones permiten abordar problemas en informática, en ingeniería y en otras disciplinas científicas [5], [6] y forman una etapa importante en un sistema de visión por computadora. Este tipo de sistemas permiten la obtención, procesamiento y análisis de cualquier tipo de información, obteniéndola a través de imágenes digitales. Entre las principales aplicaciones de la visión en la industria actual se encuentran la identificación e inspección de objetos, la determinación de la posición de objetos en el espacio, el establecimiento de relaciones espaciales entre varios objetos (guiado de robots), la determinación de las coordenadas importantes de un objeto, la realización de mediciones angulares y las mediciones tridimensionales. Un sistema de visión proporciona muchas ventajas [7] ya que permite realizar inspecciones de objetos sin contacto físico, es posible inspeccionar el 100% de la producción a gran velocidad, permite reducir el tiempo de ciclo en procesos automatizados y es posible inspeccionar procesos donde existe diversidad de piezas con cambios frecuentes de producción. 1

2 En particular en este trabajo se estudiarán tres aspectos fundamentales: la representación de objetos, la generación de características, y la clasificación estadística de los mismos. El Jitomate, es el nombre común que se la ha dado a una planta herbácea de forma generalmente redondeada y achatada, el tamaño es variable pero tiende a ser un fruto grande, la sección transversal muestra la epidermis delgada y resistente, color rojo al madurar, al igual que la pulpa, un tanto gelatinosa, que se halla dividida en lóculos que alojan a las semillas. El color del Jitomate, verde al principio y rojo cuando madura, se debe a una sustitución de clorofila en los cromoplastos de las células por carotenos [8], [9]. La madurez fisiológica se reconoce porque la parte inferior del fruto comienza a mostrar una coloración anaranjada, mientras que el resto del fruto permanece verde, la clasificación del jitomate se basa en su color [8], [10-12] de acuerdo a las siguientes etapas: 1. Verde Maduro: la superficie total del fruto es verde. 2. Rompiendo: aparición de otro color, además del verde de fondo, en no más del 10% de la superficie del fruto. 3. Pintón: entre un 10 a un 30% de la superficie del fruto, presenta color amarillo pálido, rosado, rojo o una combinación de ambos. 4. Rosado: entre un 30 a un 60% de la superficie, mostrando color rosado o rojo. 5. Rojo claro: entre un 60 hasta 90% de la superficie de color rojo 6. Rojo: más del 90% de color rojo. El objetivo de este trabajo consiste en realizar en tiempo real, la clasificación del jitomate de acuerdo a su color para que corresponda con alguna de las etapas anteriores, el sistema propuesto consta de una cámara web que permite obtener patrones y como software de control se emplea el software de la plataforma de National Instruments (NI) LabView conjuntamente con el toolbox IMAQ que permite implementar de forma rápida aplicaciones de visión. En la sección 2 se describe el proceso que se llevó a cabo para implementar el proceso de reconocimiento en base al color para el caso de los jitomates, detallando la etapa de adquisición del sistema, y los módulos de LabView utilizados, en la sección 3 se presentan los resultados del proceso de reconocimiento y clasificación en base al color y finalmente en la sección 4 se presentan las conclusiones. 2 PROCESO DE ANÁLISIS DE LAS IMÁGENES Para realizar la clasificación del Jitomate por medio de visión artificial, se deben llevar a cabo los siguientes procesos: la captación de imágenes (Adquisición), almacenamiento de la información y adecuación de los datos (Procesamiento previo), y procesamiento e interpretación de los resultados (Extracción de características y clasificación). En la Figura 1 se muestra el diagrama de flujo para poder realizar la adquisición del video y el reconocimiento de patrones. 2

3 Figura 1. Diagrama de Flujo para el reconocimiento de patrones Para implementar cada uno de dichos procesos, es necesario utilizar un software que proporcione control sobre la cámara web, en este trabajo se utiliza LabView y sus módulos de visión. LabView proporciona gran cantidad de herramientas para el procesamiento de imágenes, las que se emplean principalmente son [13]: Adquisición de Visión (Vision Acquisition) Asistente de Visión (Vision Assistant) Creación de Adquisición de imágenes (IMAQ create) El módulo NI Vision Acquisition, es un módulo que permite activar la cámara web de la computadora, así como también configurar la resolución de la misma, Figura 2. Figura 2. Ícono que representa a Vision Acquisition Una vez que se inserta el icono de Visión Acquisition en el área de código automáticamente aparece otra ventana como la que se observa en la Figura 3, desde la cual es posible configurar la manera en que se desea hacer el procesamiento de imágenes [14]. 3

4 Figura 3. Configuración de las opciones de procesamiento 2.1 Extracción de características El módulo NI Vision Assistant de la Figura 4, se encarga de realizar la comparación de una muestra o patrón con la imagen que se adquiere en tiempo real. Figura 4. Ícono que representa Vision Assistant Vision Assistant cuenta con una gran cantidad de herramientas, en este trabajo se emplea la programación de color con pattern matching. De una imagen, se toma un patrón de pixeles o color, y esta herramienta se encarga de localizarlo automáticamente [13], la ventana correspondiente se observa en la Figura 5. 4

5 Figura 5. Ventana de Vision Assistant El módulo NI IMAQ create es una herramienta que genera una memoria temporal, para almacenar imágenes, en este módulo se guardan las imágenes capturadas por la cámara web para poder ser procesadas por el programa y comparadas con los patrones que se desean encontrar durante la toma de muestras en tiempo real [15], Figura 6. Figura 6. Propiedades de IMAQ En el módulo de Vision Assistant se configuran los patrones a buscar, en la Figura 7 se puede observar su menú principal donde se selecciona color pattern matching, en la Figura 8, se selecciona la región que se desea tomar como patrón y, en el menú de herramientas, se determina el área de búsqueda. Figura 7. Selección de patrones en base a colores 5

6 Figura 8. Patrón a buscar Después se selecciona el rango mínimo de coincidencia para determinar que el patrón está presente en la imagen que se captura, y la orientación en la que se debe encontrar puede ser desde 0 hasta los 360. Véase Figura 9. Figura 9. Rango mínimo de coincidencia y orientación del patrón 2.2 Clasificación Para realizar este proceso, se inicializa configurando la cámara por medio del módulo Vision Acquisition, después se determina el puerto en donde está conectada la cámara, así como también la resolución, la forma de recibir imágenes que pueden ser de una en una o sucesivas, para este trabajo se recurrió a la toma de imágenes de forma sucesiva, se agrega el bloque IMAQ create, en este caso el tipo de imágenes que recibirá es RGB y se proporciona una constante para el almacenamiento de las mismas. Una vez que se tienen los patrones caracterizados se continúa con la programación, la cual indica qué patrón se localizó, para ello se interconectan los módulos y se recurre a herramientas propias del programa para realizar la comparación de los patrones y mostrar así un señal que indique el tipo de patrón que ha localizado. Las herramientas adicionales sólo se emplean para dar una respuesta en pantalla cuando la cámara detecta el patrón, en este caso se toman muestras de jitomates en diferentes estados. Es importante recordar que, si se tienen muchos patrones, la determinación del 6

7 resultado es más fácil. El código para realizar el proceso de detección de los patrones en los jitomates se muestra en la Figura 10, donde se indica la conexión de los módulos a utilizar, la forma en cómo se van a reconocer los patrones y su indicador, es decir la selección de los jitomates según su tono de color. Figura 10. Código que identifica a los jitomates según su tono de color El módulo de Vision Assistant proporciona datos en un canal que se llama arreglo o bus de datos, éste se separa por secciones en un array to cluster y de ahí se envía a un separador de datos por nombre, en el cual se selecciona el tipo de dato con el que se desea trabajar, para fines de este trabajo se selecciona la información de score o record de coincidencia, este es el dato que proporciona la información de si la imagen del momento contiene color igual al de alguno de los patrones, después el dato de record se hace pasar por un comparador, esto para convertir el dato en un dato booleano, y de esta manera se manejar todos los patrones. Los patrones que son similares se envían a compuertas de tipo OR para que en caso de que coincida algún patrón se active la señal que indique en pantalla que caso está percibiendo la cámara. 3 Resultados En la Figura 11 se observa la identificación del jitomate en diversas etapas. En la imagen (d) se observan dos indicadores encendidos, para el caso de jitomate verde y jitomate maduro, esto puede interpretarse como que el jitomate está apunto de madurar. 7

8 (a) (b) (c) (d) Figura 11. Resultados de la clasificación para las diversas etapas de maduración del jitomate Se realizaron pruebas en la recolección del Jitomate en el Pueblo de Guadalupe Victoria, Municipio de Santa María Nativitas, estado de Tlaxcala y de 100 jitomates se obtuvieron los resultados de clasificación de la Figura 12. Figura 12. Resultados obtenidos con el sistema de Visión Artificial 8

9 4 CONCLUSIONES En este trabajo se presentó un sistema de visión para clasificación del jitomate de acuerdo a su nivel de maduración. El sistema fue probado con un cultivo real y se obtuvieron resultados óptimos en el momento de la clasificación. Se pudo determinar que un factores que afecta el reconocimiento de patrones y sobre todo utilizando visión artificial es la iluminación, por lo que se hicieron pruebas para determinar el lugar más apropiado de iluminación y se determinó que el reconocimiento mejoró colocando luz en la posición del jitomate. En el municipio donde se hicieron pruebas se observó que durante la noche, el personal de un invernadero pudo seleccionar de mejor manera los jitomates verdes con el sistema propuesto que cuando lo hacían de forma manual, por lo que se considera que el sistema desarrollado cumple con el objetivo para el cual fue diseñado. REFERENCIAS [1] Fukunaga K. Introduction to Statistical Pattern Recognition. 2ed., Academic Press, [2] Batagelj V, Bock H and Ferligoj A., DataScience and Classification, Springer, [3] Devijer P. A., Kittler, J. Pattern Recognition, A Statistical Approach, Prentice Hall, [4] Devijer P. A., Kittler, J. Pattern Recognition: theory and applications, Springer, [5] Kim H.Y., Giacomantone J. O., A New Technique to Obtain Clear Statistical Parametric Map by Applying Anisotropic Diffusion to fmri, Proceedings of the IEEE International Conference on Image Processing, Genova, Italy, September 11-14, [6] Kim H.Y., Giacomantone J. O., Cho, Z. H. Robust Anisotropic Diffusion to Produce Enhanced Statistical Parametric Map, Computer Vision and Image Understanding, 2005, 99: [7] Conceptos generales de visión artificial. Disponible en [fecha consulta: 29 de Marzo de 2013] [8] FAO (Food and Agriculture Organization of the United Nations), 7. Cosecha y manejo poscosecha del Jitomate. Disponible en: ftp://ftp.fao.org/docrep/fao/010/a1374s /a1374s07.pdf [fecha consulta: 1 de Marzo de 2013] [9] Ruiz- Rubio, C; Romero-Aranda, R; Cuartero J; Fernández-Muñoz, R. Avances en la genética de la fisiopatía de la mancha solar en tomate. Memorias del III congreso de Mejora Genética de las plantas, Valencia, España, Septiembre 13-15, Disponible en [fecha consulta: 17 de Abril de 2013] [10] INFOAGRO. El cultivo de tomate. Disponible en: [fecha de consulta: 20 de Febrero de 2013]. [11] Hartz, T. K., Johnstone, P. R.; Francis, D. M.; Miyao, E. M., Processing tomato yield and fruit quality improved with potassium fertigation, HortScience, 2005; 40: [12] INIFAP- Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Ada Ascencio Alvarez, La madurez irregular del Tomate, Disponible en [fecha consulta: 20 de Marzo de 2013] 9

10 [13] Reconocimiento de patrones por medio de LabVIEW utilizando una cámara USB, Procesamiento de imágenes y Matlab, Disponible en [Fecha consulta: 10 de Abril de 2013] [14] Módulo de Adquisición de Imágenes. Disponible en [fecha consulta: 15 de Abril de 2013] [15] Manual IMAQ vision. Disponible en [Fecha consulta: 3 de Abril de 2013] 10